一个数字图像一般使用一个矩形区域的离散位置的颜色值表示。由于这些离散的值是从一个连续的区域中采样重建得到的，因此一般需要额外注意走样（aliasing）的问题。

另一个需要注意的是，数字图像中的像素一般指的是图像连续函数在某一位置的值，而显示像素则表示了以某种分布发光的某种物理实体。

为了评估重建的函数和原图像函数的区别，一般会使用傅里叶分析的方法。傅里叶变换将时空上的函数转换到频域上。傅里叶变换和反变换的公式分别如下：

F(ω)=∫−∞∞f(x)e−i2πωxdxf(x)=∫−∞∞F(ω)ei2πωωdωF(\omega) = \int_{-\infty}^\infty f(x)e^{-i2\pi\omega x}\mathrm{d}x\\ f(x) = \int_{-\infty}^\infty F(\omega)e^{i2\pi\omega \omega}\mathrm{d}\omega F(ω)=∫−∞∞​f(x)e−i2πωxdxf(x)=∫−∞∞​F(ω)ei2πωωdω

首先定义冲击采样函数：

IIIT(x)=T∑i=−∞+∞δ(x−iT){III}_T(x) = T\sum_{i=-\infty}^{+\infty}\delta(x - iT) IIIT​(x)=Ti=−∞∑+∞​δ(x−iT)

其中 δ(x)\delta(x)δ(x) 是单位冲击函数。上述的函数实际上描述了在空间中等间距分布的一群冲激函数。将这个函数与图像函数 fff 相乘就可以得到理想的采样值。最后，使用一个重建的核函数 r(x)r(x)r(x) 与前述采样值做卷积操作即可得到重建的结果：

f~=(IIIT(x)f(x))⊛r(x)=T∑i=−∞+∞f(iT)r(x−iT)\tilde{f} = (III_T(x)f(x)) \circledast r(x) = T\sum_{i=-\infty}^{+\infty}f(iT)r(x-iT) f~​=(IIIT​(x)f(x))⊛r(x)=Ti=−∞∑+∞​f(iT)r(x−iT)

下图展示了一个函数经过 T=1T=1T=1 的采样和三角重建核函数重建后的结果：

在理想状态下，如果原始图像函数 fff 是有可数的多个频率构成的，如一系列有最小宽度的矩形函数。在这种情况下，可以利用傅里叶正反变换的性质得到对应的采样结果函数的。

对于由数量极多，甚至无限种频率构成的图像函数，我们常常不能得到完全准确的采样结果。在这种情况下，重建产生的偏差就形成了走样现象。

图像合成的过程实际上就是在一个二维的函数 f(x,y)=Lf(x,y) = Lf(x,y)=L 上进行采样。然而，一般的渲染器比较难以直接对目标函数进行预滤波，所以实现上一般使用超采样和随机采样结合的方法减少走样现象。

几何体的边缘和阴影是走样的最重要的贡献因素，它在亮度空间上形成了一个阶跃函数——这是一类无法用有限的频率描述的无限维特征。

极小的物体也会造成走样：当一个物体体积小到比两次采样的间距还小时，它可能在屏幕上反复出现和消失。

物体的材质和贴图也会引入高频信息，从而造成走样。

所有的采样器均继承于同一个抽象接口。它的工作是从 [0,1)n\left[0,1\right)^n[0,1)n 空间中生成一系列 n 维的采样，其中的每个采样向量被用于一次图像的采样，而具体采样的维度数量则取决于不同的需求。取得的采样向量通常有以下特征：

这部分内容描述了如何评价一组采样的好坏，恕我以后再看。

这个接口的定义如下：

在构建采样器时，需要传入每个像素采样的最大次数 samplesPerPixel 。紧接着，当渲染器需要对某一像素进行评估时，它会将该像素位置传入本接口的 StartPixel 函数以初始化随机状态。紧接着就可以使用 Get1D 等方法获取接下来的一个或者数个不同维度的采样结果，需要注意的是，如果在渲染中需要一次性获取多个维度的，需要在渲染开始前就首先调用 Request[12]DArray 接口以告知该需求。最后，使用 StartNextSample 方法结束本轮采用，下一轮采样将会从头开始。

这个接口在 Sampler 接口的基础上增加了有关

这种采样器一次性生成所有的样本，由于渲染过程中需要的采样次数并不能提前确定，它需要一个最大的采样数目。当需要的数目超过该值时，这类采样器只会返回 uniform 的采样结果。

对于每个预生成的维度，这种采样器会生成两组大小为 nSampledDimensions * samplesPerPixel 的一维、二维采样序列。在使用时，对于同一个 sample index ，从头开始读取预计算的值，并在改变 sample index 或开始新采样时重设维度偏移量。

在实际实现中，一些并不基于像素的采样器会连续地生成分布在整个空间中的采样结果，每一次采样结果都可能会代表不同的像素。对于多线程分片渲染而言，这种采样方法是有必要的。GlobalSampler 为这种需求抽象出了一个接口，它将 Sampler 接口封装为两个最主要的虚函数：

分层采样的核心是将像素切分为不重叠的更小的子区域，并从每个子区域中获取一个样本。这种方法通常通过在每个子区域内做随机偏移以将走样转化为噪声，但它也提供了无偏的模式以供参考。

分层抽样的最大问题在于，当采样的维度增加时，需要的采样数量会以指数级别膨胀，这种情况被称为维数灾难。其中一种缓解方法在于独立地为各个维度生成采样，然后随机地将这些采样关联起来，如下例中从三个位置分别取了 4 个采样共 12 此采样，接着使用随机关联的方式将其联系成四组不同的采样，进而得到收敛上较为优秀的采样结果。

由于对一个空间的采样次数有时可能并不能被分割到一组合理的阵列中，本类中使用了 Latin Hypercube Sampling (LHS) 技术从任意多的采样个数中获得均匀分布的样本。其做法是：将空间的每一个维度分割为等量维度（通常是是样本数）、接着随机交换不同维度中的顺序，从而可以生成优秀的采样结果。

LHS 在采样数目较小时可以生成较为优秀的分布，但当采样数量增加时，它的效果会越来越差，并不如原始的 stratified sampling 方法。

这部分说明了一种特别的采样方式，待我以后再看。

这部分说明了一种特别的采样方式，待我以后再看。

这部分说明了一种特别的采样方式，待我以后再看。

这部分说明了一种特别的采样方式，待我以后再看。

给定一系列样本和它们的 radiance ，我们需要将它转换为像素值。这中间有三个流程：

实现上，为了计算一个点 (x,y)(x, y)(x,y) 处的像素值，通常会考虑和它在一定距离内的所有采样点，并使用一个二维滤波函数 f(x−xi,y−yi)f(x-x_i,y-y_i)f(x−xi​,y−yi​) 加权平均。一个考虑了每个样本的相机权重 www 的完整的公式如下：

I(x,y)=∑i[f(x−xi,y−yi)w(xi,yi)L(xi,yi)]∑if(x−xi,y−yi)I(x,y) = \frac{\sum_i\left[f(x-x_i,y-y_i)w(x_i,y_i)L(x_i,y_i)\right]}{\sum_if(x-x_i,y-y_i)} I(x,y)=∑i​f(x−xi​,y−yi​)∑i​[f(x−xi​,y−yi​)w(xi​,yi​)L(xi​,yi​)]​

代表滤波函数的接口内容包括一个 Evaluate 虚函数和代表截止半径的一个值，任何超过截止半径的输入均会返回零。

简单的阶梯函数，代表在截止半径内的所有样本权重都一样

比 BoxFilter 稍微复杂一点，用简单的直线表示越边缘的样本权值越低

使用高斯函数表示样本对中心的贡献值。这种滤波方式与其它相比会对图像带来少量的模糊，但这些模糊也可以帮助减少走样的视觉影响。

在实际实现中，高斯函数被建模为以下形式：

f(x,y)=max⁡(0,e−αx2−e−αrx2)⋅max⁡(0,e−αy2−e−αry2)f(x,y) = \max(0, e^{-\alpha x^2} - e^{-\alpha r_x^2}) \cdot \max(0, e^{-\alpha y^2} - e^{-\alpha r_y^2}) f(x,y)=max(0,e−αx2−e−αrx2​)⋅max(0,e−αy2−e−αry2​)

为了平衡滤波中的模糊和幻影问题，Mitchell 和 Netravali 发明了一种参数化的滤波函数。这种函数的特别之处在于在接近截止位置边缘的地方它的权值是负的，这一特性使得它可以在图像中的边缘位置获得更加锐利的结果。

一维的 Mitchell 函数表达式如下，它由两个参数调控，并且需要保证 C0,C1C^0,C^1C0,C1 连续性：

f(x)=16×{(12−9B−6C)∣x∣3+(−18+12B+6C)∣x∣2+(6−2B)∣x∣